MiniCPM-V 4.7 1B vs MiniCPM-V 4.7: Dua Checkpoint, Satu Nama, dan Pekerjaan yang Sangat Berbeda

Tidak ada checkpoint bernama MiniCPM-V 4.7. OpenBMB belum pernah menerbitkannya, dan URL model yang seharusnya memuatnya mengembalikan galat otorisasi, bukan halaman bobot. Nama itu merujuk pada seri. Pada 12 Oktober 2026, seri tersebut merilis dua hal yang mungkin dimaksud pembaca dengan nama itu: MiniCPM-V 4.7 1B, model dense 1,55 miliar parameter yang dirancang untuk berada di memori kerja ponsel, dan checkpoint sparse mixture-of-experts 35 miliar parameter yang membawa setiap klaim utama dalam peluncuran — demo di perangkat, grafik Pareto-frontier, frasa "MoE open-source pertama yang berjalan lancar di perangkat." Membandingkan keduanya bukanlah pertarungan yang seimbang dan memang tidak pernah dimaksudkan sebagai pertarungan yang seimbang. Ini adalah pertanyaan tentang berapa banyak memori yang bersedia Anda keluarkan, dan tentang apakah angka dari vendor sendiri cukup kuat untuk membenarkan pengeluaran itu.

Nama itu adalah seri, bukan model.

Dua repositori menyandang nama MiniCPM-V 4.7, dan yang ketiga menyandangnya dengan akhiran. openbmb/MiniCPM-V-4.7-1B dibuat pada 6 Oktober 2026 pukul 17:40 UTC. openbmb/MiniCPM-V-4.7-35B-A3B menyusul pada 7 Oktober pukul 07:07 UTC. openbmb/MiniCPM-V-4.7-1B-DSpark — kepala draf spekulatif dengan 213 juta parameter untuk model kecil — dirilis pada 8 Oktober. Ketiganya berlisensi Apache-2.0. Repositori dengan nama polos openbmb/MiniCPM-V-4.7 tidak ada, dan perlu dikatakan secara gamblang karena cukup banyak liputan yang menulis seolah-olah ada dan mengutip satu set angka dengan nama yang lain. README OpenBMB menyebut tanggal rilis itu sendiri adalah 12 Oktober, yang merupakan tanggal yang perlu digunakan jika Anda memerlukannya: repositori-repositori tersebut diunggah terlebih dahulu dan diumumkan empat hari kemudian, dalam urutan yang biasa.

Jadi, pembingkaian yang jujur dari "1B vs 4.7" bukanlah perbandingan antara model kecil dan model besar dengan nama yang sama. Ini adalah perbandingan antara dua kelas ukuran yang sebenarnya ditawarkan seri tersebut, di mana salah satunya kebetulan merupakan satu-satunya yang akan ditemukan hanya dengan nama seri saja.

Apa sebenarnya 1B itu

Dibaca dari metadata safetensors, checkpoint dense-nya adalah 1.554.476.272 parameter dalam BF16 — sekitar 3,11 GB dalam satu file bobot, yang merupakan angka utama bagi siapa pun yang mempertimbangkan ponsel. Backbone bahasanya diberi tag qwen3_6_text, sedalam 24 lapisan dengan ukuran tersembunyi 1024, dan attention-nya menjalankan pola tiga-linear-ke-satu-penuh: 18 dari 24 lapisan mengambil jalur linear dan enam menjalankan attention konvensional. Kosakatanya 248.094 token. Menara visinya adalah milik keluarga ini sendiri minicpmv4_7_vision — 27 lapisan, ukuran tersembunyi 1152, ukuran patch 14, ukuran gambar 980, disisipkan ke dalam tumpukan bahasa pada lapisan 6. Dua pengaturan lebih penting daripada sisanya untuk pekerjaan dokumen: downsample_mode adalah 16x, dan mrope_mode adalah canvas, yang merupakan skema embedding rotary multimodal yang digunakan keluarga ini untuk menjaga struktur spasial tetap utuh pada gambar yang dipotong. Embedding posisi maksimum adalah 262.144, jadi jendela konteksnya benar-benar 256K, bukan hanya nominal.

Pada saat penulisan, repositori ini menunjukkan 14 unduhan dan 22 suka. Itu kecil, dan itu adalah ukuran jujur seberapa banyak komunitas telah menggunakan model tersebut sejauh ini.

Apa sebenarnya produk unggulan itu

Checkpoint 35B-A3B memiliki 35.212.875.824 parameter dalam BF16 — 70,4 GB yang tersebar di enam belas shard safetensors, yaitu 22 kali ukuran model dense dalam satu kali unduhan. Secara arsitektur, ini adalah jenis yang berbeda: 40 lapisan, ukuran tersembunyi 2048, dan feed-forward MoE sparse dengan 256 expert, di mana 8 di antaranya aktif per token, dengan moe_intermediate_size diatur ke 512. Kosakatanya 248.144, sedikit lebih luas daripada milik 1B. Pola attention-nya adalah gagasan yang sama pada kedalaman yang lebih besar — 30 lapisan linear dan 10 lapisan penuh. Ini adalah MoE pertama dalam lini MiniCPM-V, dan inilah checkpoint yang sebenarnya menjadi inti narasi efisiensi dari vendor: klaim OpenBMB adalah 13-plus token per detik dengan penggunaan memori sekitar 3 GB pada iPhone 17 Pro Max, dengan Lookahead Expert Scheduling yang melakukan prefetch bobot expert antar lapisan sehingga routing sparse tidak terhambat oleh bandwidth memori, ditambah kepala MTP yang dipasangkan dan kompresi token visual campuran 4x/16x. Itu adalah angka vendor, yang diukur oleh vendor, pada demo milik vendor. Belum ada pihak lain yang mereproduksinya. Repositori ini menunjukkan 166 unduhan dan 43 suka — perhatian yang jauh lebih besar dibandingkan yang telah diperoleh 1B.

Perbandingannya, dimensi demi dimensi

Enam dimensi, kedua sisi, dengan catatan tentang seberapa besar bobot yang dibawa setiap angka.

• Parameter dan bentuk — MiniCPM-V 4.7 1B: 1,55B dense, setiap parameter aktif pada setiap token. Andalan MiniCPM-V 4.7: total 35,2B, sparse, 8 dari 256 expert per token. Kedua total tersebut bukan kuantitas yang dapat dibandingkan; anggaran aktif dari MoE itulah yang menentukan komputasi per token, dan OpenBMB tidak mempublikasikannya. Bacalah "A3B" sebagai bagian dari nama, bukan sebagai pengukuran.

• Jejak bobot — MiniCPM-V 4.7 1B: 3,11 GB dalam satu file BF16, yang menjadi alasan utama keberadaannya. MiniCPM-V 4.7 35B-A3B: 70,4 GB di seluruh enam belas shard dalam BF16. Angka 3 GB di perangkat dari vendor hanya berlaku untuk model yang lebih besar setelah kuantisasi dan streaming pakar, bukan untuk unduhan mentahnya.

• Perhatian dan konteks — keduanya: 256K posisi, pola perhatian linear-ke-penuh 3:1, dan mode mRoPE kanvas yang sama. MiniCPM-V 4.7 1B menjalankannya pada 24 lapisan; model unggulan pada 40. Ini satu-satunya dimensi di mana kedua model benar-benar memiliki desain yang sama, hanya diskalakan.

• Jalur visi — keduanya: tower minicpmv4_7_vision milik keluarga sendiri dengan downsampling 16x. Perbedaannya ada di sisi lain dari langkah kompresi: bagan model unggulan mengiklankan skema campuran 4x/16x yang tidak diklaim oleh 1B.

• Lisensi — keduanya: Apache-2.0, dinyatakan di repositori dan ditegaskan dalam README proyek. Ini penting karena merupakan kebalikan dari tampilan seri yang sama seminggu sebelumnya; tidak ada ambiguitas yang perlu dilaporkan di sini untuk kedua checkpoint.

• Bukti kualitas — MiniCPM-V 4.7 1B: hanya bagan dari vendor. MiniCPM-V 4.7 35B-A3B: bagan vendor, video demo vendor di iPad M4 dan iPhone, serta klaim token per detik di perangkat yang telah dipublikasikan. Keduanya tidak memiliki evaluasi independen, dan keduanya belum diuji oleh pihak ketiga dengan harness yang tetap.

Apa yang diklaim oleh grafik milik vendor sendiri

OpenBMB menerbitkan bagan benchmark untuk kedua checkpoint, dan perbedaan dalam hal yang dapat didukung keduanya sangat instruktif. Bagan 1B menempatkan model pada MMBench 83,17, OCRBench 86,10, dan OmniDocBench v1.6 85,39, di depan model kelas 1,3B generasi sebelumnya yang berada di sebelahnya dalam gambar yang sama pada ketiganya (masing-masing 81,89, 83,80, 82,52). Angka-angka itu dilaporkan vendor dan belum direproduksi, dan pelabelan kolom pada bagan itu sendiri harus dibaca dengan cermat, karena satu baris di dalamnya menampilkan nilai yang tidak kredibel untuk model seukuran ini. Perlakukan angka absolut sebagai pemasaran dan selisih terhadap generasi sebelumnya sebagai satu-satunya bagian yang memiliki logika internal.

The 35B-A3B chart is more legible because the comparison is more crowded. It reports MMMU 80.22, MathVista 88.00, OCRBench 91.20, OCRBench_v2 68.47, OmniDocBench v1.6 94.24, CharXiv reasoning 75.60, TextVQA 84.99 and CCOCR 81.14, against a field that includes two 35B-A3B-class mixture-of-experts models, a 31B Gemma and a 27B Qwen3.8. On the vendor's own numbers the MoE wins most rows narrowly and loses a couple — MMMU-Pro and MathVision go the other way. Again: vendor-reported, unreproduced, and the only fair reading is "the vendor believes it is at parity or better," not "it is at parity or better."

Ada masalah pelabelan yang layak ditandai daripada diselesaikan. Repositori ini dinamai 1B. Sidebar Hugging Face mendeskripsikan model ini sebagai 2B parameter. Metadata safetensors menyebutkan 1.554.476.272 — sekitar 1,55B. Bagan milik vendor sendiri memberi label 1,3B pada baris tersebut. Empat sumber, empat angka, dan yang terkecil di antaranya ada di bagan yang ditunjuk oleh pemasaran. Tidak satu pun dari ini mengubah apa yang dilakukan model, tetapi jika Anda menganggarkan memori berdasarkan lembar spesifikasi, anggarkan berdasarkan file 3,11 GB itu, bukan berdasarkan salah satu labelnya.

Yang mana yang sebenarnya kamu inginkan?

Jika kendalanya adalah ponsel, laptop, satu GPU kecil, atau apa pun dengan anggaran daya, hanya satu di antaranya yang menjadi kandidat. MiniCPM-V 4.7 1B hadir justru agar model multimodal dengan konteks 256K muat dalam beberapa gigabyte, ia dirilis di bawah lisensi yang mengizinkan penggunaan komersial, dan ekosistem kuantisasinya sudah tersedia — build GGUF, AWQ, GPTQ, int4, dan FP8, plus dukungan hari pertama dari vendor perangkat keras Rockchip, Houmo, Intel, AMD, dan Arm serta OpenVINO. Untuk OCR di perangkat, pemahaman tangkapan layar, dan parsing dokumen dengan jejak 3 GB, ini versi dari seri ini yang menjawab pertanyaan tersebut.

MiniCPM-V 4.7 35B-A3B menjawab pertanyaan yang berbeda. Ini bukan versi yang lebih besar dari produk yang sama; ini adalah upaya untuk mempertahankan kualitas model kelas 35B sambil hanya membayar 8 expert per token, dan jika klaim throughput vendor tersebut terbukti benar, ini adalah hasil rekayasa yang lebih menarik di antara keduanya. Pada 70,4 GB dalam BF16, ini juga merupakan unduhan untuk server atau workstation, dan narasi on-device-nya berjalan melalui kuantisasi dan expert streaming, bukan melalui file yang Anda dapatkan dari Hub.

Di mana router cocok, dan di mana tidak

Tak satu pun checkpoint ini dihosting di OrcaRouter. MiniCPM sama sekali tidak muncul di katalog kami, dan saran yang tepat bagi siapa pun yang ingin menjalankan salah satu dari keduanya adalah mengunduh bobotnya dan menyajikannya sendiri — llama.cpp, Ollama, vLLM, atau SGLang semuanya mendukung arsitektur ini, dan daftar dukungan hari pertama di atas tergolong luar biasa luas untuk rilis yang masih begitu baru. Pertanyaan routing baru muncul pada langkah berikutnya, yaitu apa yang terjadi ketika model lokal kecil tidak cukup untuk permintaan tertentu dan pekerjaannya harus dialihkan ke sesuatu yang dihosting. Pengalihan itu adalah keputusan routing, bukan kontrak kedua: OrcaRouter menempatkan beberapa ratus model terhosting di balik satu kunci dengan harga daftar masing-masing penyedia tanpa tambahan apa pun, lengkap dengan failover saat penyedia menurun performanya. Di antara model visi terhosting dalam daftar itu terdapat beberapa yang berada di kelas bobot yang sama dengan 1B — qwen/qwen3-vl-8b-instruct dan varian thinking-nya, qwen/qwen3-vl-235b-a22b-instruct untuk ujung yang berat, dan deepseek/deepseek-v4-flash-vision-exp untuk pekerjaan dokumen berkonteks panjang. Itu adalah tingkat di atas keluarga ini, bukan penggantinya, dan ada baiknya diperjelas setiap model berada di sisi mana dari garis pemisah tersebut.

Apa yang harus ditonton

Dua hal akan menyelesaikan perbandingan ini dan tidak satu pun dari keduanya sudah ada saat ini. Yang pertama adalah evaluasi independen — harness yang sama dijalankan terhadap kedua checkpoint, pada perangkat keras yang sama, tanpa vendor memilih prompt-nya. Sampai itu tersedia, setiap angka akurasi dalam artikel ini adalah milik vendor sendiri dan harus dikutip dengan keterangan itu disertakan. Yang kedua adalah DSpark draft head, yang sudah dipublikasikan untuk 1B dan merupakan mekanisme yang akan membuat inferensi model kecil jauh lebih cepat secara signifikan di ponsel. Jika speculative decoding bekerja seperti yang diiklankan pada skala ini, 1B dense menjadi jawaban yang jauh lebih baik daripada yang disiratkan ukurannya, dan 35B-A3B tetap menjadi model yang Anda gunakan hanya ketika permintaan itu benar-benar membutuhkannya.

Yang tidak perlu menunggu apa pun adalah lisensi, arsitektur, jejak, dan perkakasnya. Semua itu sudah ada di repositori, keduanya berlisensi Apache-2.0 untuk kedua checkpoint, dan itu sudah cukup untuk memutuskan hari ini mana dari keduanya yang pantas ada di perangkat keras Anda.

Bagian hosted dari pola tersebut adalah keputusan perutean, bukan kontrak kedua. harga daftar setiap penyedia tanpa markup yang kami tambahkan Tidak ada checkpoint MiniCPM-V 4.7 yang merupakan model hosted di OrcaRouter - keduanya adalah bobot yang Anda layani sendiri.